Нейросеть прогнозов TimesFM 2.5: как Google предсказывает спрос в 2026

Применить: собрать первый прогноз · Экономит: часы на разбор англоязычных доков и бенчей · Уровень: для новичка и среднего · Чтение: ~20 минут · Данные проверены на 10 июля 2026

Что узнаешь:- Что изменилось в TimesFM 2.5: 200M параметров вместо 500M, контекст 2048 → 16 384 точки, квантили до 1000 шагов- Точность против классики: -15-25% MAE к Auto ARIMA, на недельных продажах 11.2 против 8.621 (Grid Dynamics, 30.12.2025)- Реальный статус на GIFT-Eval: на анонсе первая среди zero-shot, к июлю 2026 Chronos-2 обошла примерно на процент- Запуск за 10 минут: pip install timesfm[torch], два готовых код-сниппета, Python 3.10+- Путь из России: веса с Hugging Face качаются, а BigQuery отключён с 09.09.2024 - остаётся self-host

Главное. TimesFM 2.5 - открытая нейросеть прогнозов временных рядов от Google Research, релиз 15 сентября 2025 под лицензией Apache-2.0. Она предсказывает будущее ряда (спрос, трафик, нагрузку) без обучения на твоих данных - в режиме zero-shot. Модель компактная: 200M параметров, контекст до 16 384 точек, квантильные прогнозы до 1000 шагов вперёд. На бенчмарках обходит Auto ARIMA на 15-25% по MAE. Но чуда нет: на ровных рядах разрыв с классикой невелик, а фирменные облачные сервисы Google вокруг модели из России закрыты.

Ты закупаешь товар на маркетплейс и прогнозируешь спрос по скользящей средней в Excel. На 30 000 SKU Wildberries такой прогноз промахивается в среднем на 38% (разбор epsilonmetrics, 19 марта 2026). Промах вниз - упущенные продажи, промах вверх - замороженные на складе деньги. И то, и другое одновременно.

Google предлагает другой заход: одна нейросеть, обученная на сотне миллиардов точек чужих временных рядов, которая делает прогноз для твоего графика вообще без обучения. Загрузил историю продаж - получил веер вероятных сценариев на месяц вперёд. Звучит как магия, и часть этого - маркетинг.

Разбираю без розовых очков: насколько TimesFM реально точнее ARIMA и Excel, как запустить её за 10 минут и почему из России работает только self-host. Каждая цифра с источником и датой. Где источники спорят - говорю прямо в тексте.

Платите в рублях за AI-модели без наценки на токены через provod.ai

Что такое TimesFM 2.5 и почему это не очередной чатбот?

Главное. TimesFM - это foundation-модель для временных рядов от Google Research. Работает как «ChatGPT для чисел»: на вход подаёшь историю ряда (например, 100 дней продаж), на выходе получаешь прогноз на N шагов вперёд плюс границы неопределённости. Обучать её под свою задачу не нужно - линейку тренировали на сотнях миллиардов реальных точек. Версия 2.5 вышла 15 сентября 2025, лицензия Apache-2.0, веса открыты на Hugging Face.

Начнём с базы. TimesFM расшифровывается как Time Series Foundation Model - «фундаментальная модель для временных рядов». Сделали её исследователи Google - Rajat Sen и Yichen Zhou; научная статья лежит на arXiv под номером 2310.10688 и была принята на ICML 2024. Название статьи прямое: «A decoder-only foundation model for time-series forecasting».

Аналогия с языковыми моделями тут работает лучше всего. Большая языковая модель предсказывает следующее слово по предыдущим. Нейросеть прогнозов предсказывает следующее число по предыдущим числам. Архитектура похожая - декодер, как у GPT, только роль «токенов» играют кусочки временного ряда, их называют патчами.

Ключевое отличие от чатбота - ты не переписываешься с ней текстом. Формат общения такой: массив чисел на вход, массив чисел на выход. Продажи, посещаемость сайта, температура, потребление электричества, нагрузка на серверы - любой ряд, где значения идут во времени.

Почему это вообще возможно без обучения на твоих данных - потому что первую версию TimesFM тренировали на ~100 млрд реальных точек: данные Google Trends, просмотры Википедии плюс синтетика. Модель выучила общие паттерны - тренды, сезонность, всплески - и переносит их на незнакомый ряд. Это и называется zero-shot: «нулевой выстрел», прогноз без единого шага дообучения.

На июль 2026 репозиторий google-research/timesfm собрал 26,7 тысячи звёзд на GitHub. Лицензия Apache-2.0 - коммерческое использование разрешено, без оговорок про некоммерческий статус, которые есть у части конкурентов. Дальше разберём, что именно поменялось в свежей версии.

Что нового в TimesFM 2.5 по сравнению с 2.0?

Главное. TimesFM 2.5 стала в 2,5 раза легче и заметно дальновиднее. Параметров - 200M вместо 500M у версии 2.0. Контекст вырос с 2048 до 16 384 точек истории - в восемь раз. Появилась отдельная квантильная «голова» (+30M параметров), которая выдаёт непрерывный вероятностный прогноз до 1000 шагов вперёд. Индикатор частоты ряда больше не нужен. А вот поддержку ковариат (XReg) на старте выпилили и вернули только 29 октября 2025.

Главный парадокс релиза: модель похудела, но стала сильнее. Разработчики в README формулируют это как «200M parameters, down from 500M» и «up to 16k context length, up from 2048». Меньше параметров - быстрее инференс и ниже требования к железу. Больше контекст - модель видит длиннее историю и лучше ловит годовую сезонность.

Сравнение версий - в таблице.

Данные: README google-research/timesfm и Google Cloud blog, проверено 10 июля 2026.

⚠️ Совет. Кратности из таблицы держи под рукой при чтении чужих обзоров: если текст говорит про «контекст 512» или «500M параметров» - перед тобой описание старой версии, к 2.5 оно не относится.

График 1. TimesFM 2.5 в 2,5 раза легче версии 2.0, а контекст вырос в восемь раз. Источник: README google-research/timesfm, 10 июля 2026.

Теперь квантили. Точечный прогноз («в среду продадим 40 штук») бесполезен без понимания разброса. Квантильная голова TimesFM 2.5 выдаёт непрерывный вероятностный прогноз: не одно число, а коридор сценариев - 10-й процентиль, медиана, 90-й. Так ты видишь и ожидание, и риск.

Теперь ложка дёгтя, которую многие обзоры проглатывают. На старте 2.5 поддержки ковариат не было вообще - то есть учесть внешние факторы (акцию, праздник, цену) в прогнозе было нельзя. Вернули её через механизм XReg только 29 октября 2025, спустя полтора месяца после релиза. Если читаешь старый гайд - проверяй дату.

Таймлайн апдейтов версии 2.5 по changelog README: 15 сентября 2025 - сам релиз; 29 октября 2025 - возврат ковариат; 19 марта 2026 - документация по интеграции с агентами; 9 апреля 2026 - пример файнтюнинга через HuggingFace Transformers и PEFT (LoRA); 2 июля 2026 - обновление пакета на PyPI до версии 2.0.2. Модель живёт и допиливается.

Как нейросеть прогнозов работает без обучения на твоих данных?

Главное. TimesFM раскладывает ряд на тренд, сезонность и остаток, а потом продолжает эти компоненты в будущее - «понимания» твоего бизнеса за этим нет. Обучение на твоих данных не нужно, потому что модель уже выучила универсальные формы этих компонентов на сотнях миллиардов чужих точек. Отсюда и главное ограничение: то, у чего нет паттерна в истории (война, локдаун, вирусный ролик), она предсказать не может в принципе.

У людей, впервые встречающих идею «одна модель для всех рядов», возникает резонный скепсис. Вот как его сформулировал пользователь HN:

«Мне сама концепция общей модели временных рядов кажется странной. Как одна и та же модель может надёжно предсказать и цены на яйца в Италии, и мировую инфляцию?»- EmilStenstrom, Hacker News, 31 марта 2026

Ответ на этот вопрос дал другой участник того же треда, и он снимает половину мифологии вокруг нейросетей прогнозов:

«Что обычно не понимают: эти модели не предсказывают цены на яйца или инфляцию в Италии. Они раскладывают временной ряд на тренды, сезонность и остаток. Вот что они на самом деле моделируют. Они не могут предсказать войну на Ближнем Востоке, влияющую на инфляцию, - если только у неё нет сезонного паттерна.»- teruakohatu, Hacker News, 31 марта 2026

Переведу на язык практика. Нейросеть прогнозов ищет в твоей истории три вещи. Тренд - куда в целом ползёт линия (растут продажи год к году или падают). Сезонность - повторяющиеся циклы (выходные, декабрь, летний спад). Остаток - это шум; всё, что не легло в первые два.

Дальше модель продолжает эти три компонента вперёд. Если в прошлом декабре был всплеск и в позапрошлом - она заложит всплеск и в будущий декабрь. «Понимать», что декабрь - это Новый год, ей и не нужно: она узнаёт форму всплеска и повторяет её.

Этот вывод сэкономит тебе разочарование. TimesFM отлично работает там, где будущее похоже на прошлое: устоявшийся спрос, стабильная нагрузка, регулярные циклы. И бесполезна там, где случается разрыв без прецедента в данных. Запуск нового SKU без истории, санкционный шок, вирусный ролик, обваливший склад за сутки - тут нейросеть прогнозирует пальцем в небо, как и любая другая модель.

Zero-shot не отменяет здравого смысла. Чем длиннее и чище история ряда, тем лучше прогноз. На коротком ряде из двадцати точек хорошего результата не жди - модели не на чем узнавать сезонность.

Где здесь provod.ai. Саму TimesFM через provod.ai не вызвать - это открытые веса, а не чат-API, её надо ставить у себя. Но вокруг прогноза всегда есть возня, где выручает LLM: написать пайплайн на Python, разобрать кривой CSV, объяснить, почему прогноз поехал, собрать отчёт для руководства. Тут пригодится напарник - Gemini 3.1, Claude или GPT-5.5. Из России их удобно дёргать через один API в рублях. Подробнее - в разделе «Работает ли TimesFM из России?».

Насколько точен прогноз: бенчмарки против ARIMA и Excel?

Главное. На реальных данных TimesFM снижает MAE к Auto ARIMA на 15-25% (Grid Dynamics, 30 декабря 2025). На недельных иерархических продажах ARIMA дала ошибку 11.2, TimesFM - 8.621. Против Excel со скользящей средней (MAPE ~38% на маркетплейсе) разрыв ещё больше. Но на анонсе TimesFM 2.5 возглавляла лидерборд GIFT-Eval лишь среди zero-shot foundation-моделей, а к июлю 2026 её обошла Chronos-2 от Amazon. Модель сильная, но «лучшей нейросетью прогнозов вообще» её называть нельзя.

Самый практичный замер - у команды Grid Dynamics (отчёт Szymon Marszalkowski и Marko Nikolic, 30 декабря 2025): она прогнала foundation-модели против классики на ритейл-данных. Итог: time-series foundation модели снижают MAE относительно Auto ARIMA примерно на 15-25%. На конкретном срезе - иерархические недельные продажи - Auto ARIMA дала ошибку 11.2, TimesFM 8.621. Разница около 23%.

График 2. На недельных иерархических продажах TimesFM обходит Auto ARIMA по MAE примерно на 23%. Источник: Grid Dynamics, 30 декабря 2025.

С лидербордами отдельная история - там легко нарваться на устаревшую цифру. На анонсе в сентябре 2025 куча заголовков кричала «TimesFM 2.5 - номер один на GIFT-Eval». Это было правдой в узком смысле: первая среди zero-shot foundation-моделей на момент релиза. За десять месяцев расклад изменился.

К июлю 2026 среди чистых предобученных моделей вперёд вышла Chronos-2 от Amazon (arXiv 2510.15821): её MASE около 0.698 против 0.705 у TimesFM-2.5. Обошла примерно на процент, но обошла. А если открыть полный лидерборд tsfm.ai, TimesFM-2.5 стоит вообще на 36-й строчке (Avg Rank 37.74, MASE 0.71, CRPS 0.49). Не пугайся этой цифры: верх лидерборда забит ансамблями, агентами и файнтюнами (CastStar, Cobra-Agent, Toto-2.0 от Datadog), которые несопоставимы с одиночной zero-shot моделью. Сравнивать их с TimesFM - как сравнивать сборную с одним игроком.

Есть и скептический голос из индустрии, который стоит услышать до внедрения:

«Мы прогнали внутренние тесты. Качество неплохое, работает вполне сносно. Но по сути она на уровне ARIMA, обученной на данных, - просто гораздо больше и медленнее. Так что, по-моему, она сейчас проваливается в пустоту (falls into a kind of void). Если задача стоит прогнозирования и ты сажаешь на неё дата-сайентиста, дешевле обучить ARIMA.»- magimas, Hacker News, 31 марта 2026

Что это значит, если решаешь «брать или нет». На ровных, хорошо изученных рядах, где у тебя есть аналитик и время, классическая ARIMA даст сопоставимое качество дешевле по железу. Выигрыш TimesFM в другом: когда рядов тысячи и обучать под каждый свою модель нерентабельно, одна нейросеть закрывает их все разом без настройки. Nixtla в своём «Foundation Time Series Arena» (больше 30 000 рядов) показала именно это: TimesFM обходит статистические и ML-модели при скорости на уровне простого SeasonalNaive.

Против Excel сравнение вообще не в пользу таблиц. Скользящая средняя на маркетплейсе промахивается на 38%, ARIMA держит 12-22% MAPE, ML-ансамбли - 5-10% (все цифры - из того же разбора Wildberries). TimesFM по точности встаёт между классикой и настроенными ML-ансамблями - зато без месяцев работы над фичами.

Chronos, Moirai, Toto: с кем сравнивать TimesFM в 2026?

Главное. TimesFM - не единственная нейросеть прогнозов на рынке. Прямые конкуренты: Chronos-2 от Amazon (сейчас лидер среди предобученных, Apache-2.0), Moirai 2.0 от Salesforce (осторожно - лицензия CC-BY-NC, некоммерческая), IBM Granite TTM (крохотная, работает без GPU, умеет ещё и классификацию с аномалиями), закрытый TimeGPT-1 от Nixtla (только по API) и Toto от Datadog (заточена под observability). Главный водораздел при выборе - лицензия и доступность.

Рынок foundation-моделей для рядов за 2025-2026 стал плотным. Свёл ключевых игроков в таблицу, с упором на то, что реально влияет на выбор - лицензию и способ доступа.

Данные: официальные репозитории и карточки моделей на Hugging Face, проверено 10 июля 2026.

⚠️ Внимание. Красный флаг в этой таблице - Moirai. Модель хорошая, но лицензия CC-BY-NC-4.0 запрещает коммерческое использование: взял в продакшн для бизнеса - нарушил лицензию. TimesFM, Chronos, Granite и Toto под Apache-2.0 таких ограничений не ставят.

Практический расклад по нишам. Нужна максимальная точность среди открытых - смотри Chronos-2. Крутишь прогнозы на слабом железе без GPU или нужна ещё и детекция аномалий из коробки - бери IBM Granite TTM. Для мониторинга серверов логичнее Toto - Datadog обучал её ровно на таких метриках. Не хочешь возиться с self-host и готов платить за API - TimeGPT-1 от Nixtla. А TimesFM - крепкий универсал под ритейл и спрос с контекстом 16 384 точки.

Где нейросеть прогнозов реально применима: спрос, финансы, операции?

Главное. Три зоны, где нейросеть прогнозов приносит деньги: прогноз спроса в ритейле (закупки, автозаказ, борьба с затовариванием), операции и observability (нагрузка на серверы, детекция аномалий инжеста) и финансы (VaR, волатильность) - но в финансах выигрыш скромный. На RU-рынке главная боль - маркетплейсы: Excel-прогноз промахивается на 38%, а доверие бизнеса ломает один промах на 20% - он перевешивает год точных прогнозов.

Ритейл - тут больнее всего и понятнее всего. Разбор 30 000 SKU Wildberries - тот самый, с 38% на скользящей средней, - даёт всю вилку ошибок: с сезонностью - 24%, ARIMA - 12-22%, ML-ансамбли - 5-10%. Каждый процент промаха - это либо недопроданный товар, либо мёртвый сток. Причём затоваривание и дефицит на маркетплейсе живут параллельно по разным SKU.

Отдельная боль - психологическая, и метрикой её не закрыть. Аналитик под ником KelThuzed в разборе «Как построить прогноз, которому верит бизнес» (Habr, 25 марта 2026) формулирует её точно: «Один промах на 20% перевешивает 12 месяцев точных прогнозов». И добавляет про деградацию на горизонте - «буквально за один день прогноз может измениться от перепрогноза к недопрогнозу». Вот против этой боли и заточены квантили TimesFM: они честно показывают разброс и не рисуют одну обманчиво точную линию.

Публичные кейсы с цифрами на RU-рынке в основном старые, и я подам их как есть - с датой. X5 Retail Group вместе с Accenture и JDA внедряла прогнозирование ещё в 2018 году: +17% к точности прогноза, +5% к доступности товара, -13% к запасам (ComNews, 14 мая 2018). Ozon в том же 2018-м гонял LightGBM: MAE 1.01 против базлайна 1.45, 130 моделей на 13 категорий (Habr, 4 декабря 2018). Свежих публичных кейсов именно по foundation-моделям на русском рынке за 2025-2026 я не нашёл - если увидишь «TimesFM внедрён в X5 в 2026», проверяй первоисточник.

Вторая зона - операции и observability. Тут за нейросеть прогнозов топит вот такой отзыв из практики:

«Нам нужен был способ детектить аномалии инжеста на 200+ микросервисах без отдельного ML-стека. Оказалось, BigQuery уже пишет каждую строку в WRITE_API_TIMELINE, а встроенный AI.DETECT_ANOMALIES (на движке TimesFM от Google) справляется с детекцией.»- boxer_shorts, Hacker News, 12 марта 2026

Логика тут такая: прогнозируешь нормальный уровень метрики, а всё, что вылетает за квантильные границы, помечаешь как аномалию. Сама TimesFM аномалии не ищет - она строит прогноз, а детекция навешивается сверху. Об этом подробнее в разделе про ограничения.

Третья зона - финансы, и тут я осознанно приторможу хайп. По исследованиям (arXiv 2606.27100, 2511.18578) foundation-модели вроде TimesFM - «сильный практический дефолт» для задач с малым объёмом данных, VaR и оценки волатильности. Но фундаментальную сложность предсказания доходности акций они не решают. Выигрыш тут в экономии на построении базлайна; прорывного качества ждать не стоит. Есть отраслевые адаптации - Fin-TimesFM, FinDA-TimesFM, - но обещать «нейросеть предскажет рынок» было бы враньём.

Как попробовать TimesFM 2.5: запуск за 10 минут

Главное. Установка - одна команда: pip install timesfm[torch] (Python 3.10 и новее). Дальше две строки: загрузить веса с Hugging Face и вызвать forecast(). Модель компактная, 200M параметров, сторонние разборы гоняют её даже на CPU - но официальных требований к RAM и VRAM Google не публиковал. С 9 апреля 2026 в репозитории есть пример файнтюнинга под свои данные через LoRA.

Самый быстрый путь - родной пакет. Ставим:

pip install timesfm[torch]

Есть варианты сборки под другие бэкенды: timesfm[flax] для JAX и timesfm[xreg], если нужны ковариаты. Требование - Python версии 3.10 или выше.

Дальше сам прогноз. Загружаем чекпоинт TimesFM 2.5 и вызываем forecast на любом ряде:

model = timesfm.TimesFM\_2p5\_200M\_torch.from\_pretrained("google/timesfm-2.5-200m-pytorch") point\_forecast, quantile\_forecast = model.forecast(horizon=12, inputs=[np.linspace(0, 1, 100)])

На выходе два массива: point_forecast - точечный прогноз (медиана), quantile_forecast - веер квантилей для оценки риска. Горизонт horizon=12 означает 12 шагов вперёд, inputs - твоя история ряда.

Кто предпочитает экосистему Hugging Face Transformers, тем зайдёт второй вариант через отдельный класс:

from transformers import TimesFm2\_5ModelForPrediction model = TimesFm2\_5ModelForPrediction.from\_pretrained("google/timesfm-2.5-200m-transformers") outputs = model(past\_values=past\_values, forecast\_context\_len=1024)

С железом ясности меньше. Официальных минимумов по RAM и VRAM Google не заявлял; помечаю это как «официально не подтверждено». Косвенно: 200M параметров - это немного, а сторонние разборы сообщают об инференсе на CPU. Для боевого прогона тысяч рядов GPU всё же ускорит дело кратно.

Нужно дообучить под свою специфику - с 9 апреля 2026 в репозитории лежит пример файнтюнинга через HuggingFace Transformers и PEFT (LoRA). Это лёгкий тюнинг: всю модель не переучиваешь, докидываешь небольшие адаптеры под свой домен. Готовые ноутбуки для облака есть в репозитории GoogleCloudPlatform/applied-ai-engineering-samples («Operationalizing TimesFM on Vertex AI»).

Замечу: карточка google/timesfm-2.5-200m-transformers на Hugging Face набирает 205 554 загрузки в месяц (на 10 июля 2026). Так что пример не игрушечный, модель реально гоняют.

Что даёт облачная обвязка: BigQuery, Sheets, Vertex?

Главное. Google встроил TimesFM в свои облачные продукты, чтобы прогнозировать без единой строчки Python. В BigQuery - функция AI.FORECAST (статус GA), одним SQL-запросом гонит прогноз на миллионы рядов, горизонт до 10 000, модель на выбор 2.0 или 2.5. В Google Sheets с 16 февраля 2026 - мастер прогноза в Connected Sheets. В AlloyDB - пока Preview. Оговорка: BigQuery-обёртка даёт контекст до 15 000 точек, меньше 16 384 у открытой модели.

Для тех, кто живёт в SQL, Google сделал функцию AI.FORECAST прямо в BigQuery ML. Статус - GA (Generally Available), то есть продакшн-готово. Один запрос прогнозирует миллионы одномерных рядов за минуты, без создания и обучения своей модели. Синтаксис выглядит так:

SELECT \* FROM AI.FORECAST( TABLE trips\_data, data\_col => 'num\_trips', timestamp\_col => 'date', horizon => 300, model => 'TimesFM 2.5', context\_window => 1024 )

Параметр model принимает 'TimesFM 2.0' и 'TimesFM 2.5' (по умолчанию 2.0), horizon тянет до 10 000 шагов (это лимит SQL-функции; непрерывные квантили открытой модели считаются до 1000 шагов), context_window регулирует глубину истории. Деталь для дотошных: в BigQuery context_window ограничен диапазоном 64-15 000 точек - это меньше, чем 16 384 у открытой модели. Ограничение самого продукта-обёртки, архитектура тут ни при чём.

Рядом в этой же экосистеме работают AI.EVALUATE (тоже GA) для оценки качества прогноза и AI.DETECT_ANOMALIES (пока Public Preview) для поиска аномалий поверх прогноза. Именно на последней держится кейс с 200+ микросервисами из раздела про применения.

Для совсем не-технарей гугл дотянул прогноз до обычных таблиц. В Google Sheets прогноз живёт в мастере Connected Sheets: открываешь «Advanced Analytics → Create a Forecast», под капотом там та же BigQuery ML с TimesFM. Обычной формулы =FORECAST() тут нет. Раскатка началась 16 февраля 2026 (Google Workspace Updates).

Ещё две точки интеграции. В базе данных AlloyDB функция ai.forecast доступна в статусе Preview. А в Vertex AI модель лежит в Model Garden с готовым Docker-образом. Одна поправка: страница Model Garden местами всё ещё описывает лимит «up to 512 timepoints» - это устаревшее описание версии 1.0, реальные лимиты зависят от версии и продукта-обёртки.

Звучит удобно. Но для читателя из России тут есть жирный подвох, к которому и переходим.

Работает ли TimesFM из России?

Главное. Ключевой момент для RU-читателя: сама модель из России работает, а фирменное облако Google - нет. Веса TimesFM лежат на Hugging Face и качаются в среднем без VPN (но CDN нестабилен, а оплата картой РФ не проходит). А вот BigQuery отключён для российских аккаунтов с 9 сентября 2024, Vertex AI и Google AI Studio из РФ не регистрируются. Итог: единственный рабочий путь - self-host через pip install, локально или на арендованном GPU.

Разложу по каждому каналу доступа, потому что советы в сети противоречат друг другу.

Hugging Face. Роскомнадзор его не блокирует. Ограничения идут от самой компании по санкционным причинам: геоблок Inference API и Spaces, нестабильный CDN на больших весах, оплата картой РФ не проходит для Pro и Endpoints. Скачивание открытых весов TimesFM - это «нестабильно», а не «невозможно» (по разборам gptunnelpro.ru от 23 декабря 2025 и dtf.ru за 2026). Веса компактные - 200M, - так что даже при капризном CDN обычно докачиваются.

GitHub. Репозиторий и README TimesFM лежат там. С мая 2026 доля неудачных подключений к GitHub из РФ выросла с ~4% до 16% (данные Meduza от 8 мая и 8 июня 2026); РКН блокировку отрицает, Минцифры 8 июня 2026 обсуждало «гос-VPN» для разработчиков. PyPI масштабных проблем не фиксирует - то есть pip install обычно проходит.

🚨 Критично. BigQuery деактивирован для российских пользователей с 9 сентября 2024 (анонс 13 августа 2024, источник ТАСС). Значит, GA-функция AI.FORECAST на TimesFM для аккаунтов из РФ недоступна в принципе - вся красота из предыдущего раздела мимо. Если план аналитики строился на BigQuery, закладывай self-host заранее.

Vertex AI и Google AI Studio. Регистрация из РФ заблокирована, биллинг РФ не подключается, отказ прилетает на уровне API. Блокировка комплексная - по истории IP и типу хостинга.

График 3. Путь из России: веса качаются и запускаются self-host, а облачные надстройки Google закрыты. Источник: Meduza, ТАСС, разборы доступности, 10 июля 2026.

Сухой остаток. Модель открыта под Apache-2.0, веса с Hugging Face в среднем качаются, а облако Google для РФ закрыто. Ставишь у себя через pip install timesfm[torch] - на своей машине или на арендованном GPU у российского облачного провайдера. Плюс: такой запуск не зависит ни от чьего биллинга - веса у тебя, инференс у тебя.

Прогноз - половина работы; вторая половина - объяснить бизнесу, что значит этот разброс сценариев, и склеить всё в рабочий процесс. Эту часть удобно отдать LLM, а из России проще всего ходить в него через provod.ai - единый API, оплата в рублях, без VPN и валютной карты. Саму TimesFM это не заменяет, но забирает рутину вокруг неё.

Чего TimesFM не умеет: ограничения без прикрас

Главное. TimesFM - прогнозная модель, и только. Сама по себе она не классифицирует и не детектит аномалии - для аномалий нужна обвязка поверх прогноза. Она не предскажет шок без сезонного прецедента в истории. На минутном разрешении в observability её обходит Toto в ~18 раз (вендорский бенчмарк Parseable). На коротких рядах и ровных данных выигрыш к классической ARIMA близок к нулю - и часть инженеров считает, что игра не стоит свеч.

Первое и главное: TimesFM ничего не делает, кроме прогноза. Она не классифицирует ряды, и поиск аномалий в неё не встроен: сравниваешь факт с квантильными границами сам - вылет за границы и есть аномалия. Хочешь классификацию или imputation из коробки - смотри в сторону IBM Granite TTM, у TimesFM этого нет.

Второе - шоки. Модель продолжает вперёд знакомые ей компоненты ряда, поэтому событие без прецедента в истории она не поймает. Внезапный конкурент с демпингом, сгоревший склад поставщика, запрет категории - если похожего не было в данных, прогноз слепой.

Третье - специализация. TimesFM заточена под одномерные ряды (univariate-focused). На вендорском бенчмарке Parseable (платформа observability, 3 июня 2025, обновлён 20 апреля 2026) на минутном разрешении Kubernetes-подов Toto дала MAPE 0.006, а TimesFM - 0.108, то есть примерно в 18 раз хуже. Судя по описанию (500M параметров), там гоняли версию 2.0, не 2.5. Оговорюсь дважды: это бенчмарк вендора observability-платформы, и MAPE ломается около нулевых значений. На часовом разрешении, кстати, TimesFM в том же тесте была лучшей (0.534).

Четвёртое - трезвый взгляд ветеранов ML. Ещё по первой версии в 2024-м звучало жёстко:

«Как и все deep learning модели прогнозирования до сих пор, это красивая статья, но не стоит того, чтобы кто-то использовал её для реальной задачи. Гораздо медленнее классических методов, которые она не может обойти.»- claytonjy, Hacker News, 8 мая 2024

Ему вторил другой инженер про статистический контроль процессов: «Каждый раз, когда я реально пробовал что-то подобное, оно не обгоняло statistical process control» (kqr, Hacker News, 9 мая 2024). За два года TimesFM выросла - контекст, квантили, скорость, - и на тысячах рядов zero-shot реально экономит время. Но урок из этих цитат живой: на одном стабильном ряде с грамотным аналитиком классика по-прежнему конкурентна.

Пятое - короткие ряды. Нейросеть прогнозов узнаёт сезонность по истории; на двадцати точках узнавать нечего. Меньше пары полных сезонных циклов в данных - и прогноз превращается в дорогое гадание.

5 ошибок при прогнозировании нейросетью

Главное. Пять антипаттернов, которые убивают прогноз: тянуть линию от нуля вместо анализа истории, брать точечный прогноз без квантилей, катить zero-shot без сравнения с простым базлайном, считать MAPE у рядов с нулями и обрезать контекст ради скорости. Каждая ошибка стоит либо денег на складе, либо потери доверия к прогнозу.

Ошибка 1. Линейка от нуля. Классика непрофессионального прогноза - провести прямую от нуля до текущего значения и продлить до конца месяца. Бывший инженер Google Ads вспоминал: «Куча (неискушённых) рекламодателей просто проводили линию от нуля до сегодняшней цифры и проецировали её до конца месяца» (strongpigeon, Hacker News, 31 марта 2026). TimesFM учитывает сезонность и тренд - но только если ты кормишь её историей, а не одной точкой.

Ошибка 2. Точечный прогноз без квантилей. Взять из выдачи одну медиану («продадим 40») и планировать закупку по ней - значит выбросить главное, что даёт TimesFM 2.5. Квантильная голова показывает разброс: между 25 и 60 штук. Планируешь по медиане - половину времени в дефиците. Планируй по вееру.

Ошибка 3. Zero-shot без базлайна. Запустить нейросеть прогнозов и сразу поверить ей - опасно. Всегда прогоняй рядом простой базлайн: SeasonalNaive или Auto ARIMA. Если foundation-модель не обходит наивный прогноз на твоих данных - смысла в ней нет, о чём прямо говорили инженеры в цитатах выше.

Ошибка 4. MAPE у нулей. Метрика MAPE делит ошибку на факт и взрывается около нулевых значений. На рядах с частыми нулями (редкие SKU, ночная нагрузка) она врёт. Бери MAE, WAPE или MASE - на них и считают серьёзные бенчмарки.

Ошибка 5. Обрезанный контекст. Ради скорости легко выставить маленький context_window и потерять годовую сезонность. TimesFM 2.5 умеет держать до 16 384 точек истории - если у тебя есть два-три года дневных данных, дай ей их увидеть.

Короткая памятка «должно / не должно».

Что выбрать под твою задачу: дерево решений

Главное. Несколько рядов и есть аналитик - оставайся на Excel или ARIMA, разницы почти нет. Тысячи рядов, нужен self-host и ты из России - ставь TimesFM локально через pip. Не хочешь возиться с кодом и готов платить - смотри российские SaaS вроде Forecast NOW! (цифры вендора). Нужна максимальная точность и есть команда - строй свой ML-пайплайн или бери Chronos-2.

Развилка простая, разбиваю по вопросам.

1. Рядов мало (один-десяток), есть аналитик и время? Оставайся на классике - Excel с сезонностью, ARIMA, Holt-Winters. На спокойном, предсказуемом спросе TimesFM заметного выигрыша не даст - только добавит возни с развёртыванием.
2. Рядов сотни-тысячи? Вот где zero-shot окупается: один инстанс на весь пул, отдельные модели под каждый ряд не нужны. Из России - ставь локально через pip install timesfm[torch] (детали в разделе «Как попробовать TimesFM 2.5»).
3. Не хочешь писать код и держать инфраструктуру? Смотри российские готовые сервисы. Forecast NOW! от Инжэниус Тим делает прогноз спроса и автозаказ с интеграцией в 1С; по данным компании - +5-15% удовлетворённого спроса и +15-25% оборачиваемости. СберАналитика «Панель Ритейл» заявляет точность до 90% (цифра компании, независимо не проверена). Yandex DataSphere - общая ML-среда, отдельного «форкаст-как-сервис» там нет.
4. Нужна максимальная точность и есть ML-команда? Строй свой пайплайн: Chronos-2 как топовая открытая foundation-модель плюс ансамбль с классикой и градиентным бустингом. Это верх лидербордов, но и вложений требует.

Развилки для читателя из России две: доступность (облако Google закрыто - остаётся свой сервер или российский SaaS) и наличие рук (есть команда - код, нет - готовый сервис). Ответь на эти два вопроса - и вариант сузится до одного.

Сделай прямо сейчас

Главное. Скачай веса, прогони TimesFM на своём реальном ряде продаж или нагрузки, сравни результат с простым базлайном и посчитай, окупается ли она против твоего текущего Excel или ARIMA. И держи в голове географию - облако Google из России закрыто, так что сразу планируй self-host на своём железе.

По шагам:

1. Поставь пакет: pip install timesfm[torch] на Python 3.10+. Скачай веса google/timesfm-2.5-200m-pytorch с Hugging Face - про доступ из РФ смотри раздел про Россию.
2. Прогони прогноз на своём реальном ряде - истории продаж или нагрузки. Демо-данные ничего не покажут. Возьми оба выхода: точечный и квантильный.
3. Поставь рядом базлайн - SeasonalNaive или Auto ARIMA - и сравни по MAE или MASE. Не обгоняет наив - закрывай вопрос, классики хватит.
4. Заложи в план self-host: BigQuery и Vertex из России недоступны, рассчитывай на локальный или арендованный GPU.
5. Вспомогательный код не пиши руками - отдай его LLM-напарнику через API.

Была полезна статья? Да / Нет

Связанные материалы

• «Агрегаторы LLM API в России 2026: какой выбрать и не переплатить»
• «ChatGPT, дипсик и гемини из России в 2026: как пользоваться топовыми нейросетями бесплатно и в рублях»
• «Китайская нейросеть GLM-5.2 обошла GPT-5.5: что это меняет в 2026»

Итог по TimesFM короткий: одна открытая нейросеть прогнозов закрывает тысячи рядов без обучения и обходит Auto ARIMA на 15-25% по MAE. Но из России упираешься в старый затык: BigQuery и Vertex не работают, ставить придётся у себя, а рядом всё равно нужен LLM под рутину - пайплайн, отчёты, разбор данных. И тут карту РФ ни OpenAI, ни Google напрямую не берут.

provod.ai собирает топовые модели под рублёвый биллинг: Claude Opus 4.8, GPT-5.5, Gemini 3.1 Pro, DeepSeek v4, Qwen, Kimi - под одним ключом и чат, и API, OpenAI- и Anthropic-совместимый. Наценки посредника ноль, платишь официальную цену в рублях, картой РФ, через СБП или по счёту с закрывающими документами для бизнеса. Если строишь аналитику вокруг прогнозов и нужен надёжный доступ к LLM из России - проверь актуальный список моделей и цены в рублях.

provod.ai — единая AI-платформа для текста, кода и медиа

Не нужно оплачивать и поддерживать отдельный сервис для каждого формата: веб-интерфейс, API, мультимедийный редактор и командный баланс работают в одном контуре.

В одном каталоге — актуальные модели для текста и медиа: GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.

И текстовые запросы, и медиагенерации тарифицируются без собственной наценки provod.ai: стоимость соответствует официальным ценам поставщиков 1:1.

Соберите свой мультимодальный сценарий: форма регистрации · цены на модели · защита данных по 152-ФЗ · API и интеграции

Источники

1. github.com/google-research/timesfm - README и changelog (200M параметров, контекст 16 384, квантили до 1000, XReg возвращён 29.10.2025, LoRA-пример 09.04.2026, PyPI 2.0.2 от 02.07.2026, 26,7 тыс. звёзд, Apache-2.0) - проверено 10 июля 2026
2. huggingface.co - карточки google/timesfm-2.5-200m-transformers (0.2B, конвертация 20.02.2026, 205 554 загрузки/мес) и google/timesfm-2.5-200m-pytorch - проверено 10 июля 2026
3. arxiv.org 2310.10688 - «A decoder-only foundation model for time-series forecasting», ICML 2024, Rajat Sen и Yichen Zhou (Google Research); претрейн 1.0 на ~100 млрд точек
4. research.google/blog - пост про TimesFM 1.0 (02.02.2024, обновлён 08.05.2024); отдельного официального поста про версию 2.5 нет
5. marktechpost.com - анонс TimesFM 2.5 (16 сентября 2025)
6. cloud.google.com/blog - AI.FORECAST в BigQuery (preview 10.07.2025; «TimesFM models in BigQuery and AlloyDB», GA, 19.11.2025; horizon до 10 000, context_window 64-15 000)
7. workspaceupdates.googleblog.com - мастер прогноза в Connected Sheets на TimesFM, раскат с 16 февраля 2026
8. tsfm.ai/benchmarks/gift-eval - лидерборд GIFT-Eval (TimesFM-2.5 на #36, Avg Rank 37.74, MASE 0.71); arxiv 2510.15821 - Chronos-2 (Amazon) - проверено 10 июля 2026
9. hn.algolia.com / news.ycombinator.com - тред 47583045 (31.03.2026, 327 очков), треды 40297946 (08.05.2024) и 47358496 (12.03.2026); цитаты magimas, teruakohatu, EmilStenstrom, boxer_shorts, strongpigeon, claytonjy, kqr - сверено по objectID
10. griddynamics.com/blog - Szymon Marszalkowski, Marko Nikolic: TSFM снижают MAE к Auto ARIMA на 15-25%, недельные продажи ARIMA 11.2 против TimesFM 8.621 (30 декабря 2025)
11. parseable.com/blog - вендорский бенчмарк observability-платформы (MAPE Toto 0.006 против TimesFM 0.108 на минуте; 03.06.2025, обновлён 20.04.2026)
12. blogs.epsilonmetrics.ru - разбор 30 000 SKU Wildberries (MAPE 38% на скользящей, 24% с сезонностью, ARIMA 12-22%, ML 5-10%), 19 марта 2026
13. Habr - «Как построить прогноз, которому верит бизнес» (KelThuzed, 25.03.2026); кейс Ozon LightGBM MAE 1.01 против 1.45 (04.12.2018)
14. ComNews - кейс X5 + Accenture + JDA: +17% точность, +5% доступность, -13% запасы (14 мая 2018)
15. Meduza - рост неудачных подключений к GitHub из РФ с ~4% до 16% (08.05.2026 и 08.06.2026)
16. ТАСС - деактивация BigQuery для российских пользователей с 09.09.2024 (анонс 13.08.2024)
17. fnow.ru - Forecast NOW! (Инжэниус Тим): +5-15% удовлетворённого спроса, +15-25% оборачиваемости (цифры вендора) - проверено 10 июля 2026